风功率预测中当前架构的系统评估

arXiv cs.LG 论文
wind-power forecasting deep-learning hybrid-models interval-forecasting decomposition-techniques systematic-review

摘要

本文系统综述了区间风速预测的混合方法，结合深度学习、模态分解和统计方法以提高预测精度和可靠性。

arXiv:2606.02849v1 公告类型：新 摘要：区间风速预测对于将风能高效集成到电力系统至关重要，因为它考虑了风资源的固有不确定性。本文系统综述了专注于风能发电区间预测的混合方法，探讨了深度学习、模态分解和统计方法的结合。为了指导论文筛选，应用了潜在狄利克雷分配（LDA）进行主题建模，从而识别研究模式与趋势。研究结果表明，将混合模型与分解技术（如变分模态分解（VMD）和集成经验模态分解（EEMD））相结合，通过在不牺牲覆盖率的前提下缩小预测区间，提高了预测精度与可靠性。在区间构建方面，大多数研究采用双模型策略，分别独立预测上下界。输入数据通常使用EMD、EEMD或VMD等分解技术处理，提取基于频率的分量，这些分量作为LSTM或ELM等模型的输入，分别针对每个边界进行训练。这种方法能够针对性地建模不确定性，提高灵活性和精度。区间质量通常通过平衡覆盖率和区间宽度的指标进行评估。综述还指出了挑战，包括缺乏标准化的评估指标、计算复杂性以及有限的真实世界验证。总体而言，本研究强调了区间预测对风能运行的价值，并为提升模型鲁棒性和决策能力提供了见解。
查看原文
查看缓存全文

缓存时间: 2026/06/03 09:40 

# 当前风电预测架构的系统性评估
来源：https://arxiv.org/abs/2606.02849
查看 PDF (https://arxiv.org/pdf/2606.02849)

> 摘要：区间风速预测对于将风能高效集成到电力系统中至关重要，因为它考虑了风资源固有的不确定性。本研究对风力发电区间预测的混合方法进行了系统性文献综述，探讨了深度学习、模态分解和统计方法的结合。为了指导论文筛选，采用潜在狄利克雷分配（LDA）进行主题建模，从而识别出研究模式与趋势。研究结果强调，将混合模型与分解技术（如变分模态分解（VMD）和集成经验模态分解（EEMD））相结合，能够在不牺牲覆盖率的条件下缩窄预测区间，从而提高预测准确性和可靠性。在区间构建方面，大多数研究采用双模型策略，独立预测下界和上界。输入数据通常使用EMD、EEMD或VMD等基于频率的分量提取技术进行分解。这些分量作为LSTM或ELM等模型的输入，分别对每个边界进行训练。这种方法能够针对性地对不确定性进行建模，提高了灵活性和精确度。区间质量通常通过平衡覆盖率和区间宽度的指标进行评估。综述还强调了挑战，包括缺乏标准化的评估指标、计算复杂性以及有限的实际验证。总体而言，本研究肯定了区间预测对风电运行的价值，并为提升模型稳健性和决策能力提供了见解。

## 提交历史

来自：Erick Rodrigues \[查看邮箱 (https://arxiv.org/show-email/ab78ac9e/2606.02849)\] **\[v1\]** 2026年6月1日星期一 20:15:20 UTC (7,696 KB)

相似文章

智能电表能源预测的深度时间序列模型实证基准测试

arXiv cs.LG

本文对九种深度学习模型在智能电表数据上的能源预测进行了基准测试，揭示了随着历史输入的增加，准确率会饱和；随着预测时间范围的延长，准确率下降；轻量级模型提供了成本效益高的替代方案。